📄Работа №135611
Тема: Применение технологий машинного обучения для реализации численного прогноза опасных конвективных явлений
Тип работы
Магистерская диссертация
Предмет
информатика
Объем:
34 листов
Год:
2019
Просмотров:
104
4950
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Обзор современных решений в области прогноза погоды 8
1.1 European Centre for medium-range weather forecasts 9
1.2 Met Office 10
1.3 The Weather Research and Forecasting Model 11
1.4 Технология Meteum 12
Глава 2. Классификация моделей конвективных облаков 14
Глава 3. Применение численной модели конвективного облака 18
3.1. Источник данных 18
3.2 Реализация прогноза 20
Глава 4. Применение методов машинного обучения 21
4.1 Предобработка данных 22
4.2 Описание алгоритма k-Nearest Neighbors 23
4.3 Описание алгоритма AdaBoost 24
4.4 Описание модифицированного алгоритма k-NN 25
Выводы 28
Заключение 31
Список литературы 32
Постановка задачи 5
Обзор литературы 6
Глава 1. Обзор современных решений в области прогноза погоды 8
1.1 European Centre for medium-range weather forecasts 9
1.2 Met Office 10
1.3 The Weather Research and Forecasting Model 11
1.4 Технология Meteum 12
Глава 2. Классификация моделей конвективных облаков 14
Глава 3. Применение численной модели конвективного облака 18
3.1. Источник данных 18
3.2 Реализация прогноза 20
Глава 4. Применение методов машинного обучения 21
4.1 Предобработка данных 22
4.2 Описание алгоритма k-Nearest Neighbors 23
4.3 Описание алгоритма AdaBoost 24
4.4 Описание модифицированного алгоритма k-NN 25
Выводы 28
Заключение 31
Список литературы 32
📖 Введение
В настоящее время развитие информационных технологий позволяет решать всё более сложные задачи. Одной из таких задач является моделирование состояния атмосферы с целью прогнозирования погоды. Важной задачей прогнозирования погодных явлений является предсказание опасных конвективных явлений, таких как град, шквал, обильные осадки и грозы. Эти явления не только причиняют значительный экономический ущерб, а также угрожают человеческим жизням. В первую очередь, информация о возникновении опасных конвективных явлений необходима аэропортам, авиакомпаниям и службам МЧС.
Ключевым фактором возникновения опасных атмосферных явлений являются конвективные облака. Численное моделирование является наиболее эффективным и распространённым методом изучения облаков.
В соответствии с размерностью пространства выделяют одномерные, полуторамерные, двухмерные и трехмерные модели конвективных облаков. Наиболее полно облака описывают двух- и трехмерные модели, но они требуют больших вычислительных ресурсов и использования суперкомпьютеров. Для расчетов на обычном персональном компьютере более подходящей является полуторамерная модель облака, так как она способна воспроизводить характеристики, которые достаточно полно описывают модель для обработки данных в режиме реального времени.
В данной работе используется полуторамерная нестационарная модель конвективного облака с параметризацией микрофизических процессов для расчёта параметров облака, которые могут быть использованы для прогнозирования опасных конвективных явлений. Прогноз реализуется по отобранным численным параметрам смоделированного облака с помощью методов машинного обучения.
Машинное обучение – это метод анализа данных, который позволяет искусственно созданной системе обучаться на собственном опыте и получать знания из имеющегося объема входных данных. Алгоритмы машинного обучения используют вычислительные методы для обучения непосредственно на входных данных, не полагаясь на заранее заданные уравнения. Алгоритмы машинного обучения адаптивно улучшают свои характеристики по мере увеличения количества данных, доступных для обучения.
В данной работе машинное обучение применяется для разработки и реализации алгоритма прогнозирования опасных конвективных явлений с использованием данных, полученных при моделировании конвективного облака. Таким образом, данная численная модель может быть использована для оперативного прогноза опасного конвективного явления на метеорологических станциях и в метеоцентрах.
Ключевым фактором возникновения опасных атмосферных явлений являются конвективные облака. Численное моделирование является наиболее эффективным и распространённым методом изучения облаков.
В соответствии с размерностью пространства выделяют одномерные, полуторамерные, двухмерные и трехмерные модели конвективных облаков. Наиболее полно облака описывают двух- и трехмерные модели, но они требуют больших вычислительных ресурсов и использования суперкомпьютеров. Для расчетов на обычном персональном компьютере более подходящей является полуторамерная модель облака, так как она способна воспроизводить характеристики, которые достаточно полно описывают модель для обработки данных в режиме реального времени.
В данной работе используется полуторамерная нестационарная модель конвективного облака с параметризацией микрофизических процессов для расчёта параметров облака, которые могут быть использованы для прогнозирования опасных конвективных явлений. Прогноз реализуется по отобранным численным параметрам смоделированного облака с помощью методов машинного обучения.
Машинное обучение – это метод анализа данных, который позволяет искусственно созданной системе обучаться на собственном опыте и получать знания из имеющегося объема входных данных. Алгоритмы машинного обучения используют вычислительные методы для обучения непосредственно на входных данных, не полагаясь на заранее заданные уравнения. Алгоритмы машинного обучения адаптивно улучшают свои характеристики по мере увеличения количества данных, доступных для обучения.
В данной работе машинное обучение применяется для разработки и реализации алгоритма прогнозирования опасных конвективных явлений с использованием данных, полученных при моделировании конвективного облака. Таким образом, данная численная модель может быть использована для оперативного прогноза опасного конвективного явления на метеорологических станциях и в метеоцентрах.
✅ Заключение
Основная цель работы достигнута, выполнены все поставленные задачи.
Была выбрана наиболее подходящая для поставленной задачи численная модель облака, позволяющая реализовать прогнозирование с использованием методов машинного обучения в оперативном режиме.
Был разработан и реализован алгоритм обработки результатов моделирования облачной конвекции с использованием методов машинного обучения на основании полуторамерной нестационарной модели конвективного облака.
Также была реализована предварительная обработка выходных данных модели.
Реализован прогноз опасного конвективного явления по результатам работы численной модели. Наибольшая точность получена при классификации грозы.
Была выбрана наиболее подходящая для поставленной задачи численная модель облака, позволяющая реализовать прогнозирование с использованием методов машинного обучения в оперативном режиме.
Был разработан и реализован алгоритм обработки результатов моделирования облачной конвекции с использованием методов машинного обучения на основании полуторамерной нестационарной модели конвективного облака.
Также была реализована предварительная обработка выходных данных модели.
Реализован прогноз опасного конвективного явления по результатам работы численной модели. Наибольшая точность получена при классификации грозы.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.